迭代 pathlib 路径和 python-docx: zipfile.BadZipFile

Question

由于我最近主要使用 Rstats，所以我的 Python 技能有点生疏。但是我遇到了以下问题，我的目标是我想递归地迭代目录中的所有 .docx 文件，并使用 python-docx 更改一些核心属性> 包。

对于循环，我首先使用 pathlib 和 glob 创建了一个列表

from docx import Document
from docx.shared import Inches
import pathlib

# Reading the stats dir
root_dir = pathlib.Path(r"C:\some\Björn\PycharmProjects\mre_docx")
# Get all word files in the stats directory
files = [x for x in root_dir.glob("**/*.docx") if x.is_file()]
files

文件的输出看起来不错。

[WindowsPath('C:/Users/Björn/PycharmProjects/mre_docx/test1.docx'),
 WindowsPath('C:/Users/Björn/PycharmProjects/mre_docx/test2.docx')]

当我现在想要读取包含列表的文档时，我收到 zip 错误（请参阅下面的完整回溯）

document = Document(files[1])
Traceback (most recent call last):
  File "C:\Users\Björn\AppData\Local\Programs\Python\Python39\lib\site-packages\IPython\core\interactiveshell.py", line 3441, in run_code
    exec(code_obj, self.user_global_ns, self.user_ns)
  File "<ipython-input-26-482c5438fa33>", line 1, in <module>
    document = Document(files[1])
  File "C:\Users\Björn\AppData\Local\Programs\Python\Python39\lib\site-packages\docx\api.py", line 25, in Document
    document_part = Package.open(docx).main_document_part
  File "C:\Users\Björn\AppData\Local\Programs\Python\Python39\lib\site-packages\docx\opc\package.py", line 128, in open
    pkg_reader = PackageReader.from_file(pkg_file)
  File "C:\Users\Björn\AppData\Local\Programs\Python\Python39\lib\site-packages\docx\opc\pkgreader.py", line 32, in from_file
    phys_reader = PhysPkgReader(pkg_file)
  File "C:\Users\Björn\AppData\Local\Programs\Python\Python39\lib\site-packages\docx\opc\phys_pkg.py", line 101, in __init__
    self._zipf = ZipFile(pkg_file, 'r')
  File "C:\Users\Björn\AppData\Local\Programs\Python\Python39\lib\zipfile.py", line 1257, in __init__
    self._RealGetContents()
  File "C:\Users\Björn\AppData\Local\Programs\Python\Python39\lib\zipfile.py", line 1324, in _RealGetContents
    raise BadZipFile("File is not a zip file")
zipfile.BadZipFile: File is not a zip file

但是，只要运行同一行代码，没有列表就可以正常工作（除了路径分隔符 / 和 r"\"，我认为这应该不重要，因为列表包含 pathlib.Path 对象。

document = Document(pathlib.Path(r"C:\Users\Björn\PycharmProjects\mre_docx\test1.docx"))

编辑评论

我为此mre总共创建了4个新的word文件。现在我在其中两个中输入了文本，其中两个是空的。令我惊讶的是，我发现空的会导致错误。

for file in files:
    try:
        document = Document(file)
    except:
        print(f"The file: {file} appears to be corrupted")

输出：

The file: C:\Users\Björn\PycharmProjects\mre_docx\new_file.docx appears to be corrupted
The file: C:\Users\Björn\PycharmProjects\mre_docx\test2.docx appears to be corrupted

为未来读者提供的半解决方案

在对 Document("Path/to/file.docx") 的调用周围添加 try 和 except 块，并打印出该函数失败的相应文件。就我而言，只有几个，我可以轻松地手动编辑。

Answer 1

您没有做错，因为文档是空的，您会收到此错误。如果您打开这些文件并键入一些内容，则不会出现任何错误。但
根据 https://python-docx.readthedocs.io/en/ latest/user/documents.html

可以用不同的代码打开word文档。

第一：

document = Document()
document.save(files[1])

第二：

document = Document(files[1])
document.save(files[1])

另外根据文档，您可以像文件一样打开它们：

with open(files[1], 'rb') as f:
    document = Document(f)